正則表達式提取 HTML 中不同起始和結束字符串之間的子字符串

Question

我正在嘗試編寫一個簡單的抓取工具，可以從網頁中提取特定的 URL。 該頁面有許多 URL，但我想獲得以一組特定字符結尾的 URL。

例如，如果頁面源代碼中的某處有一個如下所示的 url：

source: "https://www.website.com/dog.pdf"

我想不帶引號返回https://www.website.com/dog.pdf 。 如果有多個匹配項，我只想返回第一個。

所以正則表達式應該在source:之后提取所有內容source:直到並包括.pdf"

——

我看過其他問題，但大多數答案都拒絕提供正則表達式，而是說使用startswith()和endswith() 。 但是由於頁面源可能很大，我擔心性能。 不過，我是 Python 新手，也許我只是不了解如何使用這些方法。

Answer 1

干得好

import re
example = '''
    source: "https://www.website.com/dog.pdf"
    source: "https://www.website.com/cat.pdf"
'''
pattern = r'"(?P<url>.+?)"'
m = re.search(pattern, example)
url = m.group('url') # result is https://www.website.com/dog.pdf

更新。

要返回雙引號中的第一個鏈接，正則表達式將如下所示：

pattern = r'"(?P<url>https?:\/\/.+?)"'

如果您需要在以.pdf結尾的雙引號中找到第一個鏈接，則正則表達式將如下所示：

pattern = r'"(?P<url>https?:\/\/.+?\.pdf)"'